转载请注明：http://blog.csdn.net/stdcoutzyx/article/details/39722999
在上一个链接中，我配置了 cuda ，有强大的 GPU ，自然不能暴殄天物，让资源白白空暇着，所以配置一下卷积神经网络跑一下程序喽。至于卷积神经网络的原理，容后再写。打算先写库的使用方法，再写原理，以行动带动对理论的追求。
话不多说，步入正题。
1. 预说明
关于 cuda-convnet ，起源于一篇经典论文 ①，论文中针对 ILSVRC-2010 的数据进行实验，然后发布了事实上验使用的代码，链接为 ②。可是，事实往往跟论文是有差距的，链接②中的代码根本不能重现论文中的结果。在下不才，在使用这个链接的库非常久之后才发现的，认为非常坑，希望后来者慎之。
之所以说它坑，首先，论文中提到特性中， multi-GPU 和 dropout 就没有实现，并且也没有给出论文中 8 层卷积神经网络的配置文件。总之不能直接拿来用，须要自己探索。
尽管如此，但有总比没有好，毕竟这个库实现的卷积神经网络封装的非常好，论文中的大神的贡献非我等小菜所能企及的。给大神点 32 个赞。
本文仅仅对 cuda-convnet 和 cuda-convnet2 的配置进行说明，论文中的作者还发布了其它版本号的库，尚未用到，故且按下不提。
2. Cuda-convnet 配置
2.1. 源代码下载
參考链接②，先将源代码下载下来。
svn checkout http://cuda-convnet.googlecode.com/svn/trunk/ cuda-convnet-read-only
取出的版本号是 562 。
2.2. 安装必要的库
然后，安装必须的库，我使用的是 ubuntu 系统。所以命令为
sudo apt-get install python-dev python-numpy python-magic python-matplotlib libatlas-base-dev
当然，还要确认你安装了 cuda ，我安装的是 cuda6.5 ，在 /usr/local/ 文件夹下，例如以下所看到的：
$ ls /usr/local
bin cuda cuda-6.5 etc games include lib man sbin share src
2.3. 更改 build.sh
进入到刚才下载的 cuda-convnet-read-only 文件夹，更改 build.sh 文件里的配置路径。例如以下所看到的：
# CUDA toolkit installation directory.
export CUDA_INSTALL_PATH=/usr/local/cuda
# CUDA SDK installation directory.
export CUDA_SDK_PATH=/usr/local/cuda-6.5/samples/common/inc
# Python include directory. This should contain the file Python.h, among others.
export PYTHON_INCLUDE_PATH=/usr/include/python2.7
# Numpy include directory. This should contain the file arrayobject.h, among others.
export NUMPY_INCLUDE_PATH=/usr/lib/python2.7/dist-packages/numpy/core/include/numpy
# ATLAS library directory. This should contain the file libcblas.so, among others.
export ATLAS_LIB_PATH=/usr/lib/atlas-base
make $*
依照官网的教程，配置完 build.sh 后就能够进行编译了。可是会错误发生，还须要改例如以下几个地方才干够。
2.4. 头文件加入
直接编译会发生找不到 cutil_inline.h 头文件的错误。分析原因可能是原来有这个头文件，后来这个头文件的功能被实现到其它头文件里去了。
在 include 子目录下田间 cutil_inline.h 文件，并输入内容。
#include "helper_cuda.h"
#define cutilCheckMsg(a) getLastCudaError(a)
#define cutGetMaxGflopsDeviceId() gpuGetMaxGflopsDeviceId()
#define MIN(a,b) (a) < (b) ? (a) : (b)
2.5. MakeFile 文件更改
MakeFile 第 3 行，原文例如以下：
INCLUDES := -I$(PYTHON_INCLUDE_PATH) -I$(NUMPY_INCLUDE_PATH) -I./include -I./include/common -I./include/cudaconv2 -I./include/nvmatrix
加入 cuda 的路径后例如以下：
INCLUDES := -I$(PYTHON_INCLUDE_PATH) -I$(NUMPY_INCLUDE_PATH) -I$(CUDA_SDK_PATH) -I./include -I./include/common -I./include/cudaconv2 -I./include/nvmatrix
保存之。
2.6. 最后的库链接错误
做完上述修改后，能够编译了，但到最后会发生一个库链接的错误，不用管，直接将那个库凝视掉。
在 common-gcc-cuda-4.0.mk 文件的 332 行。直接用 # 号凝视。
# LIB += -lcutil_$(LIB_ARCH) $(LIBSUFFIX) -lshrutil_$(LIB_ARCH) $(LIBSUFFIX)
至此，就能够完毕 cuda-convnet 的编译了。
3. Cuda-convnet2 配置
顾名思义，这是 cuda-convnet 的 2.0 版本号，支持多 GPU 执行。
3.1. 源代码下载
git clone https://code.google.com/p/cuda-convnet2/
3.2. 必要的库
sudo apt-get install python-dev python-numpy python-scipy python-magic python-matplotlib libatlas-base-dev libjpeg-dev libopencv-dev
3.3. 配置
我仅仅能说，这个版本号的比上个版本号人性化多了，这个版本号的 build.sh 直接如此。
# CUDA toolkit installation directory.
export CUDA_INSTALL_PATH=/usr/local/cuda
# Python include directory. This should contain the file Python.h, among others.
export PYTHON_INCLUDE_PATH=/usr/include/python2.7
# Numpy include directory. This should contain the file arrayobject.h, among others.
export NUMPY_INCLUDE_PATH=/usr/lib/python2.7/dist-packages/numpy/core/include/numpy/
# ATLAS library directory. This should contain the file libcblas.so, among others.
export ATLAS_LIB_PATH=/usr/lib/atlas-base
# You don't have to change these:
export LD_LIBRARY_PATH=$CUDA_INSTALL_PATH/lib64:$LD_LIBRARY_PATH
export CUDA_SDK_PATH=$CUDA_INSTALL_PATH/samples
export PATH=$PATH:$CUDA_INSTALL_PATH/bin
假设是在 ubuntu 下的话，这样就直接已经基本把路径都配置对了。
3.4. 链接错误
可是直接编译的话还是会遇到错误，例如以下所看到的：
cd ./bin/ && g++ -O3 -DNUMPY_INTERFACE -shared -Wl,-no-undefined -o libutilpy.so src/matrix.o -L/usr/lib/atlas-base -latlas -lcblas -lpython2.7
/usr/bin/ld: cannot find -latlas
/usr/bin/ld: cannot find -lcblas
collect2: error: ld returned 1 exit status
主要是由于 atlas 库中没有 libatlas.so 和 libctlas.so 。查看 atlas 的文件夹发现结构如此：
:/usr/lib/atlas-base$ ls -l
总用量 4292
drwxr-xr-x 2 root root 4096 9月 22 11:41 atlas
lrwxrwxrwx 1 root root 15 2月 4 2014 libatlas.so.3 -> libatlas.so.3.0
-rw-r--r-- 1 root root 3746968 2月 4 2014 libatlas.so.3.0
lrwxrwxrwx 1 root root 15 2月 4 2014 libcblas.so.3 -> libcblas.so.3.0
-rw-r--r-- 1 root root 135376 2月 4 2014 libcblas.so.3.0
lrwxrwxrwx 1 root root 17 2月 4 2014 libf77blas.so.3 -> libf77blas.so.3.0
-rw-r--r-- 1 root root 131000 2月 4 2014 libf77blas.so.3.0
lrwxrwxrwx 1 root root 22 2月 4 2014 liblapack_atlas.so.3 -> liblapack_atlas.so.3.0
-rw-r--r-- 1 root root 369472 2月 4 2014 liblapack_atlas.so.3.0
加入两个软链接，运行命令：
sudo ln -s libatlas.so.3.0 libatlas.so
sudo ln -s libcblas.so.3.0 libcblas.so
文件夹结构变为如此：
/usr/lib/atlas-base$ ls -l
总用量 4292
drwxr-xr-x 2 root root 4096 9月 22 11:41 atlas
lrwxrwxrwx 1 root root 15 10月 1 22:35 libatlas.so -> libatlas.so.3.0
lrwxrwxrwx 1 root root 15 2月 4 2014 libatlas.so.3 -> libatlas.so.3.0
-rw-r--r-- 1 root root 3746968 2月 4 2014 libatlas.so.3.0
lrwxrwxrwx 1 root root 15 10月 1 22:36 libcblas.so -> libcblas.so.3.0
lrwxrwxrwx 1 root root 15 2月 4 2014 libcblas.so.3 -> libcblas.so.3.0
-rw-r--r-- 1 root root 135376 2月 4 2014 libcblas.so.3.0
lrwxrwxrwx 1 root root 17 2月 4 2014 libf77blas.so.3 -> libf77blas.so.3.0
-rw-r--r-- 1 root root 131000 2月 4 2014 libf77blas.so.3.0
lrwxrwxrwx 1 root root 22 2月 4 2014 liblapack_atlas.so.3 -> liblapack_atlas.so.3.0
-rw-r--r-- 1 root root 369472 2月 4 2014 liblapack_atlas.so.3.0
然后就能够正常编译了。
參考文献
① ImageNet Classification with Deep Convolutional Neural Networks
